Ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα
Με τη ραγδαία ανάπτυξη της τεχνολογίας, καθίσταται απαραίτητη η επεξεργασία δεδομένων και λήψη αποφάσεων βάση των δεδομένων αυτών. Τα παραπάνω είναι δυνατόν να επιτευχθούν με τη χρήση ενός νευρωνικού δικτύου. Ωστόσο εάν είναι αναγκαία η σύνδεση στο διαδίκτυο και η μεταφορά δεδομένων μέσω cloud η δια...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/23421 |
| id |
nemertes-10889-23421 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-234212022-10-18T03:36:59Z Ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα Integrated digital twin support system for engine monitoring and control Βασιλακόπουλος, Ιωάννης Vasilakopoulos, John Ενσωματωμένο Ψηφιακά δίδυμα Έλεγχος κινητήρα Digital twins Engine control Engine monitoring Με τη ραγδαία ανάπτυξη της τεχνολογίας, καθίσταται απαραίτητη η επεξεργασία δεδομένων και λήψη αποφάσεων βάση των δεδομένων αυτών. Τα παραπάνω είναι δυνατόν να επιτευχθούν με τη χρήση ενός νευρωνικού δικτύου. Ωστόσο εάν είναι αναγκαία η σύνδεση στο διαδίκτυο και η μεταφορά δεδομένων μέσω cloud η διαδικασία γίνεται χρονοβόρα, αναξιόπιστη και μη-αποτελεσματική. Με αυτά τα προβλήματα ασχολείται ο τομέας του Edge AI, δηλαδή η εκπαίδευση νευρωνικών μοντέλων τα οποία έχουν τη δυνατότητα να επεξεργαστούν τα δεδομένα που λαμβάνουν και να εξάγουν αποτελέσματα σε hardware συσκευές μικρής “δύναμης”. Έτσι, καθίσταται μη αναγκαία η σύνδεση στο διαδίκτυο και η χρήση κάποιου cloud, αυξάνοντας περαιτέρω τη ταχύτητα με την οποία καταλήγουμε στα αποτελέσματα που επιθυμούμε. Η τεχνική αυτή χρησιμοποιείται σε μεγάλες βιομηχανικές εγκαταστάσεις για την έγκυρη αναγνώριση και αντιμετώπιση τυχών μη-επιθυμητών καταστάσεων των μηχανών. Η διαδικασία αυτή είναι γνωστή και ως προγνωστική συντήρηση, ή αλλιώς predictive maintenance. Στα πλαίσια της εργασίας αυτής, γίνεται η χρήση πολλών διαφορετικών νευρωνικών μοντέλων με σκοπό να βρεθεί η δομή που θα μπορεί να αναγνωρίζει με τα μεγαλύτερα ποσοστά επιτυχίας της εξής τρεις καταστάσεις ενός βηματικού κινητήρα: Κλειστός (Off), Ανοιχτός (On) και Ανοιχτός αλλά χαλασμένος (Broken-On). Για την δημιουργία του μοντέλου αυτού τα δεδομένα που χρησιμοποιούνται είναι ο ήχος, οι επιταχύνσεις στους τρεις άξονες x,y,z , η θερμοκρασία, η υγρασία και η ατμοσφαιρική πίεση. Έχοντας τα δεδομένα αυτά, γίνεται κάποια προ-επεξεργασία και ξεκινάει η εκπαίδευση του νευρωνικού μας δικτύου. Έπειτα, για να δούμε την αποτελεσματικότητα του μοντέλου μας, του ζητάμε να διακρίνει τις παραπάνω καταστάσεις μέσω ενός test set για να διαπιστώσουμε εάν είναι σωστή η λειτουργία του καθώς και τον χρόνο που χρειάζεται για να γίνει η διαδικασία αυτή. With the rapid development of technology, it becomes necessary to process data and make decisions based on this data. The above can be achieved using a neural network, however if internet connection and cloud data transfer is necessary the process becomes time consuming, unreliable and inefficient. These problems are dealt with by the field of Edge AI, i.e. the training of neural models that are able to process the data they receive and output results within low-power hardware devices. Thus, it becomes unnecessary to connect to the internet and use a cloud, further increasing the speed with which we arrive at the results we desire. This technique is used in large industrial facilities to validly identify and deal with unwanted machine states. This process is also known as predictive maintenance. In the context of this work, several different neural models are used in order to find the structure that will be able to recognize with the highest success rates the following three states of a stepper motor: Closed (Off), Open (On) and Open but damaged (Broken-On). To create this model, the data used are sound, accelerations in the three axes x,y,z, temperature, humidity and atmospheric pressure. Having this data, some pre-processing is done and the training of our neural network begins. Then, to see the effectiveness of our model, we ask it to distinguish the above states through a test set to determine if its operation is correct as well as the time it takes to do this process. 2022-10-17T19:36:32Z 2022-10-17T19:36:32Z 2022-10-13 https://hdl.handle.net/10889/23421 el application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ενσωματωμένο Ψηφιακά δίδυμα Έλεγχος κινητήρα Digital twins Engine control Engine monitoring |
| spellingShingle |
Ενσωματωμένο Ψηφιακά δίδυμα Έλεγχος κινητήρα Digital twins Engine control Engine monitoring Βασιλακόπουλος, Ιωάννης Ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα |
| description |
Με τη ραγδαία ανάπτυξη της τεχνολογίας, καθίσταται απαραίτητη η επεξεργασία δεδομένων και λήψη αποφάσεων βάση των δεδομένων αυτών. Τα παραπάνω είναι δυνατόν να επιτευχθούν με τη χρήση ενός νευρωνικού δικτύου. Ωστόσο εάν είναι αναγκαία η σύνδεση στο διαδίκτυο και η μεταφορά δεδομένων μέσω cloud η διαδικασία γίνεται χρονοβόρα, αναξιόπιστη και μη-αποτελεσματική. Με αυτά τα προβλήματα ασχολείται ο τομέας του Edge AI, δηλαδή η εκπαίδευση νευρωνικών μοντέλων τα οποία έχουν τη δυνατότητα να επεξεργαστούν τα δεδομένα που λαμβάνουν και να εξάγουν αποτελέσματα σε hardware συσκευές μικρής “δύναμης”. Έτσι, καθίσταται μη αναγκαία η σύνδεση στο διαδίκτυο και η χρήση κάποιου cloud, αυξάνοντας περαιτέρω τη ταχύτητα με την οποία καταλήγουμε στα αποτελέσματα που επιθυμούμε. Η τεχνική αυτή χρησιμοποιείται σε μεγάλες βιομηχανικές εγκαταστάσεις για την έγκυρη αναγνώριση και αντιμετώπιση τυχών μη-επιθυμητών καταστάσεων των μηχανών. Η διαδικασία αυτή είναι γνωστή και ως προγνωστική συντήρηση, ή αλλιώς predictive maintenance. Στα πλαίσια της εργασίας αυτής, γίνεται η χρήση πολλών διαφορετικών νευρωνικών μοντέλων με σκοπό να βρεθεί η δομή που θα μπορεί να αναγνωρίζει με τα μεγαλύτερα ποσοστά επιτυχίας της εξής τρεις καταστάσεις ενός βηματικού κινητήρα: Κλειστός (Off), Ανοιχτός (On) και Ανοιχτός αλλά χαλασμένος (Broken-On). Για την δημιουργία του μοντέλου αυτού τα δεδομένα που χρησιμοποιούνται είναι ο ήχος, οι επιταχύνσεις στους τρεις άξονες x,y,z , η θερμοκρασία, η υγρασία και η ατμοσφαιρική πίεση. Έχοντας τα δεδομένα αυτά, γίνεται κάποια προ-επεξεργασία και ξεκινάει η εκπαίδευση του νευρωνικού μας δικτύου. Έπειτα, για να δούμε την αποτελεσματικότητα του μοντέλου μας, του ζητάμε να διακρίνει τις παραπάνω καταστάσεις μέσω ενός test set για να διαπιστώσουμε εάν είναι σωστή η λειτουργία του καθώς και τον χρόνο που χρειάζεται για να γίνει η διαδικασία αυτή. |
| author2 |
Vasilakopoulos, John |
| author_facet |
Vasilakopoulos, John Βασιλακόπουλος, Ιωάννης |
| author |
Βασιλακόπουλος, Ιωάννης |
| author_sort |
Βασιλακόπουλος, Ιωάννης |
| title |
Ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα |
| title_short |
Ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα |
| title_full |
Ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα |
| title_fullStr |
Ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα |
| title_full_unstemmed |
Ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα |
| title_sort |
ενσωματωμένο σύστημα υποστήριξης ψηφιακού διδύμου για παρακολούθηση και έλεγχο κινητήρα |
| publishDate |
2022 |
| url |
https://hdl.handle.net/10889/23421 |
| work_keys_str_mv |
AT basilakopoulosiōannēs ensōmatōmenosystēmaypostērixēspsēphiakoudidymougiaparakolouthēsēkaielenchokinētēra AT basilakopoulosiōannēs integrateddigitaltwinsupportsystemforenginemonitoringandcontrol |
| _version_ |
1771297348614356992 |
